Teknologi & Industri 4.0
Dipublikasikan oleh Anjas Mifta Huda pada 09 September 2025
Dalam dunia industri modern, mesin adalah tulang punggung operasi. Sayangnya, mesin juga rentan gagal, dan kegagalan ini bisa bikin rugi besar, entah dalam bentuk downtime produksi, kerusakan finansial, atau bahkan dampak lingkungan yang tidak berkelanjutan. Paper ini fokus pada solusi praktis: bagaimana cara memprediksi kegagalan sebelum benar-benar terjadi. Alih-alih hanya mengandalkan satu metode, penulis mengusulkan pendekatan hibrida yang menggabungkan metode data-driven (berbasis data dengan algoritma machine learning) dan knowledge-driven (berbasis aturan dan pengetahuan pakar industri).
Tujuan utama dari penelitian ini bukan hanya meningkatkan akurasi prediksi, tapi juga membuat sistem yang lebih bisa dipercaya, lebih bisa dijelaskan (explainable), dan lebih berkelanjutan. Intinya, sistem prediksi ini nggak cuma pintar, tapi juga transparan dan ramah industri.
Latar Belakang: Dari Industry 4.0 ke Predictive Maintenance
Era Industry 4.0 membawa gelombang besar berupa data masif dari sensor, Internet of Things (IoT), dan sistem otomatisasi pintar. Tantangannya, data ini melimpah tapi seringkali nggak dimanfaatkan dengan baik.
Di sinilah predictive maintenance (pemeliharaan prediktif) masuk. Konsepnya sederhana: daripada nunggu mesin rusak baru diperbaiki (reactive maintenance) atau sekadar melakukan inspeksi rutin tanpa tahu kondisi riil mesin (preventive maintenance), predictive maintenance mencoba menebak kapan mesin bakal rusak sehingga tindakan perbaikan bisa dilakukan tepat waktu.
Ada tiga pendekatan besar di predictive maintenance:
Penulis menyoroti bahwa pendekatan murni data-driven bisa gagal memahami konteks industri, sementara pendekatan knowledge-driven aja kurang adaptif dengan data kompleks. Jadi, solusi hibrida jadi opsi paling masuk akal.
Tujuan Penelitian: Lebih dari Sekadar Akurasi
Objektif utama paper ini adalah membangun sistem prediksi kegagalan yang lebih akurat, lebih bisa dijelaskan, dan berkelanjutan. Fokusnya pada:
Metodologi: Arsitektur Sistem Hibrida
Penulis merancang sistem dengan beberapa tahapan utama:
1. Data Pre-processing
Data sensor dari unit produksi udara di kereta metro diproses dulu:
2. Model Data-Driven
Beberapa algoritma machine learning diuji:
Setiap model menghasilkan prediksi, tapi belum final.
3. Knowledge-Driven Rules
Prediksi model disesuaikan lagi dengan aturan berbasis pengetahuan pakar. Misalnya, kalau sensor menunjukkan pola X, meski model bilang “aman”, aturan bisa override hasil dan bilang “berisiko gagal”.
4. Explainable AI (XAI)
Untuk bikin model lebih transparan, dipakai teknik interpretabilitas:
5. Web Application
Sistem dilengkapi antarmuka:
Dataset: Kasus Metro do Porto
Dataset utama berasal dari Metro do Porto (Portugal). Data diambil dari unit produksi udara (air production units) pada kompresor kereta metro antara Februari–Agustus 2020.
Detail dataset:
Dataset ini sangat besar, sehingga tantangan utamanya ada di pre-processing dan pemilihan fitur relevan.
Hasil dan Validasi: Akurasi Hibrida Naik Drastis
Kinerja model dievaluasi dengan metrik: Precision, Recall, F1 Score, Accuracy, AUC.
Hasilnya:
Artinya, sistem jauh lebih andal dalam mendeteksi potensi kegagalan (tingkat recall tinggi berarti lebih sedikit failure yang terlewat).
Analisis Praktis: Apa Artinya untuk Industri
Dari sudut pandang praktis, hasil ini punya implikasi besar:
Kritik: Apa yang Bisa Ditingkatkan
Walaupun sistem hibrida ini kuat, ada beberapa catatan kritis:
Relevansi dengan Sustainable Development Goals (SDG)
Penelitian ini selaras dengan SDG 9 (Industry, Innovation, Infrastructure) dan SDG 11 (Sustainable Cities and Communities).
Kesimpulan: Hybrid is the Future
Paper ini membuktikan bahwa pendekatan hibrida—menggabungkan machine learning dengan pengetahuan pakar—bisa meningkatkan akurasi prediksi kegagalan secara signifikan. Dari F1 Score hanya 62–70% jadi 90%, ini lompatan besar.
Lebih jauh lagi, dengan tambahan Explainable AI, sistem nggak cuma “pintar”, tapi juga “transparan” dan bisa dipercaya. Hal ini krusial untuk adopsi industri, karena engineer butuh ngerti “kenapa model bilang mesin mau gagal”.
Kalau ditarik ke dunia nyata, pendekatan ini bisa dipakai di berbagai sektor: manufaktur, energi, transportasi, bahkan kesehatan. Intinya, masa depan maintenance industri ada di kombinasi manusia + data + AI.
Referensi Paper
Miguel Ramos Martins Rua Almeida. Hybrid Failure Prognosis Approach combining Data-Driven and Knowledge-Based Methods. Faculdade de Engenharia da Universidade do Porto, 2024.
Tautan resmi: [FEUP Repository / ICINCO 2024]